黄石公司网站建设wordpress网站费用

黄石公司网站建设,wordpress网站费用,wordpress点赞打赏,外贸论坛有哪些?✅ 博主简介#xff1a;擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导#xff0c;毕业论文、期刊论文经验交流。✅ 具体问题可以私信或扫描文章底部二维码。1) 针对圆筒型永磁直线电机多目标优化中设计变量众多、计算成本高的问题#xff0c;提出一种基…✅博主简介擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导毕业论文、期刊论文经验交流。✅ 具体问题可以私信或扫描文章底部二维码。1) 针对圆筒型永磁直线电机多目标优化中设计变量众多、计算成本高的问题提出一种基于参数敏感性分析的设计变量降维与筛选方法。首先在有限元分析软件中建立TPMLM的参数化高保真电磁场仿真模型该模型能准确计算推力、效率、功率因数、推力波动等关键性能指标。随后定义一个涵盖电机主要尺寸、永磁体参数和绕组参数的初始变量池。采用基于方差或基于导数的全局敏感性分析方法系统地评估每个输入变量对各个输出性能指标的影响程度。具体实施时可以在每个变量的合理取值范围内进行采样运行批量有限元仿真然后通过计算输出性能指标的方差分解比例或回归系数来量化每个变量的敏感性指数。根据敏感性分析结果将变量明确分为强敏感性参数和弱敏感性参数两类。强敏感性参数如永磁体厚度、气隙长度、初级铁芯长度等对电机性能有决定性影响被选为待优化的核心变量集而弱敏感性参数如某些次要结构尺寸则根据经验或工艺约束固定为典型值。这种方法显著减少了优化问题的维度将计算资源集中在最关键的设计自由度上为后续高效的优化流程奠定了基础。(2) 为构建高精度、低计算成本的电机性能代理模型以替代耗时的有限元仿真提出一种基于Bagging集成学习的回归建模策略并与传统支持向量机进行对比验证。代理模型的输入是(1)中筛选出的强敏感性设计变量输出是需要优化的目标性能指标如平均推力和效率。首先使用拉丁超立方抽样或最优拉丁超立方抽样在设计变量空间内生成一系列样本点并通过有限元仿真精确计算每个样本点对应的性能指标形成高质量的“样本-响应”数据集。然后分别采用Bagging集成方法和支持向量机进行回归建模。Bagging方法以决策树或神经网络作为基学习器通过自助采样生成多个训练子集并行训练多个基模型最终通过平均回归问题或投票分类问题方式进行聚合这种方法能有效降低模型方差提高泛化能力尤其适合处理非线性、高维的电机响应关系。对比实验将数据集划分为训练集和测试集从预测精度、训练时间、模型稳定性等多个维度对Bagging模型和SVM模型进行综合评价。结果表明在本研究涉及的TPMLM多峰、非线性响应面上Bagging集成模型展现出更优越的综合性能其预测误差更小对未见数据的泛化能力更强因此被选定为后续多目标优化中快速评估候选设计方案性能的代理模型。(3) 为解决TPMLM功率与效率多目标优化的帕累托前沿搜索问题提出一种改进的NSGA-Ⅱ算法。针对原始NSGA-Ⅱ算法中模拟二进制交叉算子可能产生的解分布不均匀和局部搜索能力有限的问题采用正态分布交叉算子进行替代。NDX算子基于正态分布生成子代个体其均值为父代个体的中点方差与父代个体间的距离成正比这种机制能够在父代个体周围进行更合理、更平滑的探索有利于生成多样性更好的种群并增强算法的局部精细搜索能力。同时针对传统快速非支配排序在种群规模较大时计算效率较低的问题引入高效非支配排序方法。ENS方法通过更智能的数据结构如前沿标签、支配计数器来记录个体间的支配关系显著降低了非支配排序的计算复杂度从而提升了算法的整体运行效率。将基于Bagging的代理模型与改进的NSGA-Ⅱ算法相结合构建完整的优化流程改进的NSGA-Ⅱ不断生成新的设计变量组合Bagging代理模型快速预测其推力和效率算法根据非支配排序和拥挤度距离选择下一代种群。import numpy as np from sklearn.ensemble import BaggingRegressor from sklearn.tree import DecisionTreeRegressor from sklearn.svm import SVR from sklearn.metrics import mean_squared_error import random def create_fem_dataset(variable_pool, num_samples): X np.random.rand(num_samples, len(variable_pool)) y np.zeros((num_samples, 2)) for i in range(num_samples): params X[i, :] thrust, efficiency run_fem_simulation(params) y[i, 0] thrust y[i, 1] efficiency return X, y def build_surrogate_model(X, y, methodbagging): if method bagging: base_estimator DecisionTreeRegressor(max_depth10) model BaggingRegressor(estimatorbase_estimator, n_estimators50, random_state42) elif method svm: model SVR(C100, gamma0.1) model.fit(X, y) return model def evaluate_surrogate(model, X_test, y_test): y_pred model.predict(X_test) mse_thrust mean_squared_error(y_test[:, 0], y_pred[:, 0]) mse_eff mean_squared_error(y_test[:, 1], y_pred[:, 1]) return mse_thrust, mse_eff class ImprovedNSGA2: def __init__(self, pop_size, var_dim, obj_dim, bounds, surrogate_thrust, surrogate_eff): self.pop_size pop_size self.var_dim var_dim self.obj_dim obj_dim self.bounds bounds self.population np.random.rand(pop_size, var_dim) * (bounds[1] - bounds[0]) bounds[0] self.objectives np.zeros((pop_size, obj_dim)) self.surrogate_thrust surrogate_thrust self.surrogate_eff surrogate_eff self.evaluate_population() self.fronts [] def evaluate_population(self): for i in range(self.pop_size): thrust_pred self.surrogate_thrust.predict(self.population[i].reshape(1, -1))[0] eff_pred self.surrogate_eff.predict(self.population[i].reshape(1, -1))[0] self.objectives[i, 0] -thrust_pred self.objectives[i, 1] -eff_pred def ndx_crossover(self, parent1, parent2): mean (parent1 parent2) / 2.0 sigma np.linalg.norm(parent1 - parent2) / 3.0 child1 np.random.normal(mean, sigma, self.var_dim) child2 np.random.normal(mean, sigma, self.var_dim) child1 np.clip(child1, self.bounds[0], self.bounds[1]) child2 np.clip(child2, self.bounds[0], self.bounds[1]) return child1, child2 def efficient_nondominated_sort(self): S [[] for _ in range(self.pop_size)] n [0] * self.pop_size rank [0] * self.pop_size F [[]] for p in range(self.pop_size): S[p] [] n[p] 0 for q in range(self.pop_size): if (self.objectives[p] self.objectives[q]).all() and (self.objectives[p] self.objectives[q]).any(): S[p].append(q) elif (self.objectives[q] self.objectives[p]).all() and (self.objectives[q] self.objectives[p]).any(): n[p] 1 if n[p] 0: rank[p] 0 F[0].append(p) i 0 while F[i]: Q [] for p in F[i]: for q in S[p]: n[q] - 1 if n[q] 0: rank[q] i 1 Q.append(q) i 1 F.append(Q) self.fronts F[:-1] def crowding_distance(self, front): distances np.zeros(len(front)) if len(front) 0: return distances for m in range(self.obj_dim): sorted_front sorted(front, keylambda i: self.objectives[i, m]) distances[0] float(inf) distances[-1] float(inf) f_min self.objectives[sorted_front[0], m] f_max self.objectives[sorted_front[-1], m] if f_max - f_min 1e-10: continue for i in range(1, len(front)-1): idx sorted_front[i] idx_next sorted_front[i1] idx_prev sorted_front[i-1] distances[i] (self.objectives[idx_next, m] - self.objectives[idx_prev, m]) / (f_max - f_min) return distances def select_parents(self): selected [] self.efficient_nondominated_sort() all_indices [] for front in self.fronts: all_indices.extend(front) if len(all_indices) self.pop_size: break if len(all_indices) self.pop_size: last_front self.fronts[len(self.fronts)-1] cd self.crowding_distance(last_front) indices_with_cd list(zip(last_front, cd)) indices_with_cd.sort(keylambda x: x[1], reverseTrue) needed self.pop_size - (len(all_indices) - len(last_front)) selected_from_last [idx for idx, _ in indices_with_cd[:needed]] all_indices [idx for idx in all_indices if idx not in last_front] selected_from_last selected all_indices return selected def evolve(self, generations): for gen in range(generations): parents_idx self.select_parents() offspring [] for _ in range(self.pop_size // 2): p1_idx, p2_idx np.random.choice(parents_idx, 2, replaceFalse) p1, p2 self.population[p1_idx], self.population[p2_idx] c1, c2 self.ndx_crossover(p1, p2) offspring.append(c1) offspring.append(c2) offspring np.array(offspring) combined_pop np.vstack([self.population, offspring]) combined_obj np.vstack([self.objectives, np.zeros((len(offspring), self.obj_dim))]) for i in range(len(offspring)): combined_obj[self.pop_size i, 0] -self.surrogate_thrust.predict(offspring[i].reshape(1, -1))[0] combined_obj[self.pop_size i, 1] -self.surrogate_eff.predict(offspring[i].reshape(1, -1))[0] self.population combined_pop[:self.pop_size] self.objectives combined_obj[:self.pop_size] return self.population, self.objectives如有问题可以直接沟通